Insights into Nuclear Magnetic Resonance Data Preprocessing: A Comprehensive Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Nuclear magnetic resonance (NMR) and its derivatives play a pivotal role in molecular analysis across research and clinical domains. However, the intricate nature of NMR data preprocessing, which is integral for accurate analysis, is not easily understood despite the availability of numerous software tools. This comprehensive review aims to unravel the complexities of preprocessing algorithms in both the time and frequency domains. It covers essential steps such as direct current offset removal, eddy current correction, shift and linear prediction, weighting, zero filling, domain transformation, phase error correction, baseline correction, solvent filtering, calibration and alignment, reference deconvolution, binning/bucketing, peak picking, peak fitting/deconvolution, compound identification, integration and quantification, normalization, and transformation. The review uses plain language to enhance accessibility and understanding. By demystifying the algorithms behind these preprocessing steps, we seek to help researchers and practitioners in navigating the nuances of NMR data preprocessing, ultimately fostering better understanding and practical application in molecular analysis. Received:1 February 2024| Revised: 20 May 2024| Accepted: 30 May 2024 Conflicts of Interest Aixiang Jiang is an Editorial Board Member for Journal of Data Science and Intelligent Systems and was not involved in the editorial review or the decision to publish this article. The author declares that she has no conflicts of interest to this work. Data Availability Statement Data available on request from the corresponding author upon reasonable request. Author Contribution Statement Aixiang Jiang: Conceptualization, Methodology, Software, Formal analysis, Investigation, Resources, Data curation, Writing - original draft, Writing - review & editing, Visualization, Supervision, Project administration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle